Refactor: Separate model storage to Hugging Face Hub

.gitattributes

@@ -1,4 +0,0 @@
-korean-emotion-classifier-final/model.safetensors filter=lfs diff=lfs merge=lfs -text
-*safetensores filter=lfs diff=lfs merge=lfs -text
-*.safetensors filter=lfs diff=lfs merge=lfs -text
-*.pt filter=lfs diff=lfs merge=lfs -text

src/emotion_engine.py

@@ -4,29 +4,26 @@ import torch
 from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
 import os
 
+import torch
+from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
+import os
+
 def load_emotion_classifier():
     # --- 이 부분을 수정합니다 ---
-    # 현재 스크립트 파일의 절대 경로를 찾습니다. (예: /app/src/emotion_engine.py)
-    script_path = os.path.abspath(__file__)
-    # 스크립트가 있는 디렉터리를 찾습니다. (예: /app/src)
-    src_dir = os.path.dirname(script_path)
-    # 그 상위 디렉터리, 즉 프로젝트 루트를 찾습니다. (예: /app)
-    base_dir = os.path.dirname(src_dir)
-    # 프로젝트 루트와 모델 폴더 이름을 합쳐 정확한 경로를 만듭니다.
-    MODEL_PATH = os.path.join(base_dir, "korean-emotion-classifier-final")
-    
-    print(f"--- 배포 환경 모델 경로 확인: [{MODEL_PATH}] ---")
-    
+    # 로컬 경로 대신, Hugging Face Hub의 모델 ID를 사용합니다.
+    MODEL_PATH = "koons/korean-emotion-classifier-final" # "사용자이름/모델이름" 형식
+
+    print(f"Hugging Face Hub 모델 '{MODEL_PATH}'에서 모델을 불러옵니다...")
+
     try:
-        # local_files_only 옵션은 로컬 경로를 명시할 때 안전을 위해 유지하는 것이 좋습니다.
-        tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, local_files_only=True)
-        model = AutoModelForSequenceClassification.from_pretrained(MODEL_PATH, local_files_only=True)
-        print("✅ 로컬 모델 파일 직접 로딩 성공!")
+        # local_files_only 옵션을 제거하여 온라인에서 다운로드하도록 합니다.
+        tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
+        model = AutoModelForSequenceClassification.from_pretrained(MODEL_PATH)
+        print("✅ Hugging Face Hub 모델 로딩 성공!")
 
     except Exception as e:
         print(f"❌ 모델 로딩 중 오류: {e}")
         return None
-    # --- 여기까지 수정 ---
     
     device = 0 if torch.cuda.is_available() else -1
     emotion_classifier = pipeline("text-classification", model=model, tokenizer=tokenizer, device=device)